CN113191294A - 一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法 - Google Patents
一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法 Download PDFInfo
- Publication number
- CN113191294A CN113191294A CN202110511916.3A CN202110511916A CN113191294A CN 113191294 A CN113191294 A CN 113191294A CN 202110511916 A CN202110511916 A CN 202110511916A CN 113191294 A CN113191294 A CN 113191294A
- Authority
- CN
- China
- Prior art keywords
- floating object
- model
- sized
- dam
- collision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法,通过在拦河大坝上游沿河河岸部署摄像头及边缘处理单元,结合水位、流量、流速、水流方向等水文信息,有效利用机器视觉技术,对船只、木材、排筏、浮式建筑物等有冲撞拦河大坝可能的大型漂浮物体进行识别,同时与云端实现联动分析,及时分发大型漂浮撞击物相关信息到下游沿岸设备,对于疑似冲撞可信度较高的物体,及时通知并作出预防处理。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法。
背景技术
近年来,人工智能技术发展迅速,其商业化速度超出预期,特别是在图像与视频分析处理方面取得了巨大成功,机器视觉是人工智能正在快速发展的一个分支,简单说来,机器视觉就是用机器代替人眼来做测量和判断。机器视觉是一项综合技术,最基本的特点就是提高生产的灵活性和自动化程度,在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合,常用机器视觉来替代人工视觉。目前,机器视觉应用范围涵盖了工业、农业、医药、军事、航天、气象、天文、公安、交通、安全、科研等国民经济的各个行业,给整个社会带来颠覆性的变化。
随着云计算、物联网、大数据、人工智能等技术的发展,河道治理日益呈现数字化、网联化、智能化,新技术的融合为河道治理提供了新的思路和方法。利用传感设备来采集河道相关数据,并将其汇集到云端进行存储分析,形成智能河道系统,提供河道管理和辅助决策。在河道管理中,拦河大坝作为重要的水利设施,是决定整个河道管理工程的关键环节。拦河大坝又叫橡胶大坝,是一座具有防洪、灌溉、调蓄、发电、供水和旅游开发等多功能的水利枢纽工程,在大坝两端也可以设置调节闸。近年来,拦河大坝等水利设施的建设不断增多,船只、木材、排筏、浮式建筑物等大型漂浮物体撞击大坝的事故时有发生,为了最大限度地保证拦河大坝的安全,需要提前做出应急措施来避免碰撞。在这种情况下,如何有效利用机器视觉技术,结合物联网传感网络,提前识别出可疑大型漂浮物进行相应处理,避免其撞毁拦河大坝成为亟需解决的问题。
发明内容
本发明为了克服以上技术的不足,提供了一种及时分发大型漂浮撞击物相关信息到下游沿岸设备,对于疑似冲撞可信度较高的物体及时通知并作出预防处理的检测方法。
本发明克服其技术问题所采用的技术方案是:
一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法,包括如下步骤:
a)根据水路状况,在拦河大坝上游沿河河岸部署智能采集识别设备,用于采集水位、流量、流速、水流方向信息,将上述信息上传至云数据中心;
b)通过摄像头收集河道视频数据并上传至云数据中心,云数据中心标注视频中大型漂浮物,形成视频标注数据集;
c)建立目标识别模型,根据云数据中心的信息训练目标识别模型;
d)将训练后的目标识别模型结合天气条件、光照条件以及智能采集识别设备的部署位置形成个性化的目标识别模型;
e)根据天气条件、光照条件以及智能采集识别设备的部署位置建立KCF目标追踪模型和DeepSORT目标追踪模型;
f)根据天气条件、光照条件以及智能采集识别设备的部署位置结合神经网络建立特征提取模型,将特征提取模型结合目标追踪模型计算得到视频数据中大型漂浮物的尺寸、距离、移动速度、移动轨迹数据;
g)基于LSTM网络模型建立异常大型漂浮物体分析模型,异常大型漂浮物体分析模型根据步骤f)中得到的数据计算得到大型漂浮物体冲撞大坝造成的损坏程度预测值;
h)将个性化的目标识别模型、KCF目标追踪模型、DeepSORT目标追踪模型、特征提取模型、异常大型漂浮物体分析模型以及云数据中心标注的大型漂浮物特征下发到水文杆或水文站的边缘计算单元中;
i)边缘计算单元采用KCF目标跟踪算法,计算识别出大型漂浮物体移动轨迹;
j) 边缘计算单元利用特征提取模型提取大型漂浮物的图像特征,将提取的图像特征结合大型漂浮物体移动轨迹及水文杆或水文站设置的物联感知设备中获取的水位、流量、流速、水流方向水文信息计算出大型漂浮物体的尺寸、距离、移动速度和移动轨迹;
k)边缘计算单元利用异常大型漂浮物体分析模型计算大型漂浮物体冲撞大坝造成的损坏程度预测值;
l)截取大型漂浮物出现的视频画面并保存到边缘计算单元的本地存储中;
m)如果大型漂浮物体冲撞大坝造成的损坏程度预测值大于阈值,则读取截取的大型漂浮物出现的视频画面后转至执行步骤n),如果大型漂浮物体冲撞大坝造成的损坏程度预测值小于等于阈值,则进入候选队列,选择边缘计算单元资源空闲时刻,一次从队列中读取截取大型漂浮物出现的视频画面片段后转至执行步骤n);
n)利用DeepSORT目标跟踪算法,计算出大型漂浮物的移动轨迹,利用特征提取模型重新提取特征,计算出大型漂浮物的尺寸、距离、移动速度和移动轨迹,利用异常大型漂浮物体分析模型重新计算大型漂浮物体冲撞大坝造成的损坏程度预测值;
o)将大型漂浮物的尺寸、距离、移动速度、移动轨迹、水文信息山传到云数据中心,云数据中心利用异常大型漂浮物体分析模型结合物联感知设备采集的信息以及智能采集设备的采集的信息计算出大型漂浮物体冲撞大坝造成的损坏程度预测值;
p)云数据中心将大型漂浮物体特征数据发送至所在位置下游的物联感知设备中;
q)云数据中心将大型漂浮物体冲撞大坝造成的损坏程度预测值发送通知给负责人。
进一步的,步骤c)中建立Yolov5目标检测算法建立目标识别模型。
进一步的,步骤e)中通过步骤a)中的信息以及视频标注数据集训练KCF目标追踪模型和DeepSORT目标追踪模型。
进一步的,步骤f)中利用视频标注数据集特征提取模型。
进一步的,步骤g)中通过大型漂浮物的尺寸、距离、移动速度、移动轨迹数据和移动时序数据训练异常大型漂浮物体分析模型。
本发明的有益效果是:通过在拦河大坝上游沿河河岸部署摄像头及边缘处理单元,结合水位、流量、流速、水流方向等水文信息,有效利用机器视觉技术,对船只、木材、排筏、浮式建筑物等有冲撞拦河大坝可能的大型漂浮物体进行识别,同时与云端实现联动分析,及时分发大型漂浮撞击物相关信息到下游沿岸设备,对于疑似冲撞可信度较高的物体,及时通知并作出预防处理。
附图说明
图1为本发明的大型漂浮物冲撞大坝预防检测系统示意图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法,包括如下步骤:
a)根据水路状况,在拦河大坝上游沿河河岸部署智能采集识别设备,用于采集水位、流量、流速、水流方向信息,将上述信息上传至云数据中心;
b)通过摄像头收集河道视频数据并上传至云数据中心,云数据中心标注视频中大型漂浮物,形成视频标注数据集;
c)建立目标识别模型,根据云数据中心的信息训练目标识别模型;
d)将训练后的目标识别模型结合天气条件、光照条件以及智能采集识别设备的部署位置形成个性化的目标识别模型;
e)根据天气条件、光照条件以及智能采集识别设备的部署位置建立KCF目标追踪模型和DeepSORT目标追踪模型;
f)根据天气条件、光照条件以及智能采集识别设备的部署位置结合神经网络建立特征提取模型,将特征提取模型结合目标追踪模型计算得到视频数据中大型漂浮物的尺寸、距离、移动速度、移动轨迹数据;
g)基于LSTM网络模型建立异常大型漂浮物体分析模型,异常大型漂浮物体分析模型根据步骤f)中得到的数据计算得到大型漂浮物体冲撞大坝造成的损坏程度预测值;
h)将个性化的目标识别模型、KCF目标追踪模型、DeepSORT目标追踪模型、特征提取模型、异常大型漂浮物体分析模型以及云数据中心标注的大型漂浮物特征下发到水文杆或水文站的边缘计算单元中;
i)边缘计算单元采用KCF目标跟踪算法,计算识别出大型漂浮物体移动轨迹;
j) 边缘计算单元利用特征提取模型提取大型漂浮物的图像特征,将提取的图像特征结合大型漂浮物体移动轨迹及水文杆或水文站设置的物联感知设备中获取的水位、流量、流速、水流方向水文信息计算出大型漂浮物体的尺寸、距离、移动速度和移动轨迹;
k)边缘计算单元利用异常大型漂浮物体分析模型计算大型漂浮物体冲撞大坝造成的损坏程度预测值;
l)截取大型漂浮物出现的视频画面并保存到边缘计算单元的本地存储中;
m)如果大型漂浮物体冲撞大坝造成的损坏程度预测值大于阈值,则读取截取的大型漂浮物出现的视频画面后转至执行步骤n),如果大型漂浮物体冲撞大坝造成的损坏程度预测值小于等于阈值,则进入候选队列,选择边缘计算单元资源空闲时刻,一次从队列中读取截取大型漂浮物出现的视频画面片段后转至执行步骤n);
n)利用DeepSORT目标跟踪算法,计算出大型漂浮物的移动轨迹,利用特征提取模型重新提取特征,计算出大型漂浮物的尺寸、距离、移动速度和移动轨迹,利用异常大型漂浮物体分析模型重新计算大型漂浮物体冲撞大坝造成的损坏程度预测值;
o)将大型漂浮物的尺寸、距离、移动速度、移动轨迹、水文信息山传到云数据中心,云数据中心利用异常大型漂浮物体分析模型结合物联感知设备采集的信息以及智能采集设备的采集的信息计算出大型漂浮物体冲撞大坝造成的损坏程度预测值;
p)云数据中心将大型漂浮物体特征数据发送至所在位置下游的物联感知设备中;
q)云数据中心将大型漂浮物体冲撞大坝造成的损坏程度预测值发送通知给负责人。
通过在拦河大坝上游沿河河岸部署摄像头及边缘处理单元,结合水位、流量、流速、水流方向等水文信息,有效利用机器视觉技术,对船只、木材、排筏、浮式建筑物等有冲撞拦河大坝可能的大型漂浮物体进行识别,同时与云端实现联动分析,及时分发大型漂浮撞击物相关信息到下游沿岸设备,对于疑似冲撞可信度较高的物体,及时通知并作出预防处理。
实施例1:
步骤c)中建立Yolov5目标检测算法建立目标识别模型。
实施例2:
步骤e)中通过步骤a)中的信息以及视频标注数据集训练KCF目标追踪模型和DeepSORT目标追踪模型。
实施例3:
步骤f)中利用视频标注数据集特征提取模型。
实施例4:
步骤g)中通过大型漂浮物的尺寸、距离、移动速度、移动轨迹数据和移动时序数据训练异常大型漂浮物体分析模型。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法,其特征在于,包括如下步骤:
a)根据水路状况,在拦河大坝上游沿河河岸部署智能采集识别设备,用于采集水位、流量、流速、水流方向信息,将上述信息上传至云数据中心;
b)通过摄像头收集河道视频数据并上传至云数据中心,云数据中心标注视频中大型漂浮物,形成视频标注数据集;
c)建立目标识别模型,根据云数据中心的信息训练目标识别模型;
d)将训练后的目标识别模型结合天气条件、光照条件以及智能采集识别设备的部署位置形成个性化的目标识别模型;
e)根据天气条件、光照条件以及智能采集识别设备的部署位置建立KCF目标追踪模型和DeepSORT目标追踪模型;
f)根据天气条件、光照条件以及智能采集识别设备的部署位置结合神经网络建立特征提取模型,将特征提取模型结合目标追踪模型计算得到视频数据中大型漂浮物的尺寸、距离、移动速度、移动轨迹数据;
g)基于LSTM网络模型建立异常大型漂浮物体分析模型,异常大型漂浮物体分析模型根据步骤f)中得到的数据计算得到大型漂浮物体冲撞大坝造成的损坏程度预测值;
h)将个性化的目标识别模型、KCF目标追踪模型、DeepSORT目标追踪模型、特征提取模型、异常大型漂浮物体分析模型以及云数据中心标注的大型漂浮物特征下发到水文杆或水文站的边缘计算单元中;
i)边缘计算单元采用KCF目标跟踪算法,计算识别出大型漂浮物体移动轨迹;
j) 边缘计算单元利用特征提取模型提取大型漂浮物的图像特征,将提取的图像特征结合大型漂浮物体移动轨迹及水文杆或水文站设置的物联感知设备中获取的水位、流量、流速、水流方向水文信息计算出大型漂浮物体的尺寸、距离、移动速度和移动轨迹;
k)边缘计算单元利用异常大型漂浮物体分析模型计算大型漂浮物体冲撞大坝造成的损坏程度预测值;
l)截取大型漂浮物出现的视频画面并保存到边缘计算单元的本地存储中;
m)如果大型漂浮物体冲撞大坝造成的损坏程度预测值大于阈值,则读取截取的大型漂浮物出现的视频画面后转至执行步骤n),如果大型漂浮物体冲撞大坝造成的损坏程度预测值小于等于阈值,则进入候选队列,选择边缘计算单元资源空闲时刻,一次从队列中读取截取大型漂浮物出现的视频画面片段后转至执行步骤n);
n)利用DeepSORT目标跟踪算法,计算出大型漂浮物的移动轨迹,利用特征提取模型重新提取特征,计算出大型漂浮物的尺寸、距离、移动速度和移动轨迹,利用异常大型漂浮物体分析模型重新计算大型漂浮物体冲撞大坝造成的损坏程度预测值;
o)将大型漂浮物的尺寸、距离、移动速度、移动轨迹、水文信息山传到云数据中心,云数据中心利用异常大型漂浮物体分析模型结合物联感知设备采集的信息以及智能采集设备的采集的信息计算出大型漂浮物体冲撞大坝造成的损坏程度预测值;
p)云数据中心将大型漂浮物体特征数据发送至所在位置下游的物联感知设备中;
q)云数据中心将大型漂浮物体冲撞大坝造成的损坏程度预测值发送通知给负责人。
2.根据权利要求1所述的基于机器视觉的大型漂浮物体冲撞大坝预防检测方法,其特征在于:步骤c)中建立Yolov5目标检测算法建立目标识别模型。
3.根据权利要求1所述的基于机器视觉的大型漂浮物体冲撞大坝预防检测方法,其特征在于:步骤e)中通过步骤a)中的信息以及视频标注数据集训练KCF目标追踪模型和DeepSORT目标追踪模型。
4.根据权利要求1所述的基于机器视觉的大型漂浮物体冲撞大坝预防检测方法,其特征在于:步骤f)中利用视频标注数据集特征提取模型。
5.根据权利要求1所述的基于机器视觉的大型漂浮物体冲撞大坝预防检测方法,其特征在于:步骤g)中通过大型漂浮物的尺寸、距离、移动速度、移动轨迹数据和移动时序数据训练异常大型漂浮物体分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110511916.3A CN113191294B (zh) | 2021-05-11 | 2021-05-11 | 一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110511916.3A CN113191294B (zh) | 2021-05-11 | 2021-05-11 | 一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191294A true CN113191294A (zh) | 2021-07-30 |
CN113191294B CN113191294B (zh) | 2022-06-17 |
Family
ID=76981116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110511916.3A Active CN113191294B (zh) | 2021-05-11 | 2021-05-11 | 一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191294B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019463A (zh) * | 2022-06-28 | 2022-09-06 | 慧之安信息技术股份有限公司 | 基于人工智能技术的水域监管系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460753A (zh) * | 2018-05-25 | 2019-03-12 | 江南大学 | 一种检测水上漂浮物的方法 |
CN109949338A (zh) * | 2019-02-20 | 2019-06-28 | 博雅工道(北京)机器人科技有限公司 | 一种基于cpg模型仿生水下机器鱼的目标跟踪识别方法 |
CN111080982A (zh) * | 2019-12-31 | 2020-04-28 | 三峡大学 | 一种基于多传感器的大坝安全智能监测与预警系统及方法 |
CN111862143A (zh) * | 2020-07-13 | 2020-10-30 | 郑州信大先进技术研究院 | 一种河堤坍塌自动监测方法 |
CN112187932A (zh) * | 2020-09-29 | 2021-01-05 | 长江勘测规划设计研究有限责任公司 | 基于边缘计算的中小型水库大坝智能监测预警方法 |
CN112233141A (zh) * | 2020-09-28 | 2021-01-15 | 国网浙江省电力有限公司杭州供电公司 | 电力场景下基于无人机视觉的运动目标追踪方法及系统 |
KR20210027778A (ko) * | 2019-09-03 | 2021-03-11 | 중앙대학교 산학협력단 | 객체 검출 및 추적을 통한 이상행동 분석 장치 및 방법 |
CN112733690A (zh) * | 2020-12-31 | 2021-04-30 | 北京易华录信息技术股份有限公司 | 一种高空抛物检测方法、装置及电子设备 |
-
2021
- 2021-05-11 CN CN202110511916.3A patent/CN113191294B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460753A (zh) * | 2018-05-25 | 2019-03-12 | 江南大学 | 一种检测水上漂浮物的方法 |
CN109949338A (zh) * | 2019-02-20 | 2019-06-28 | 博雅工道(北京)机器人科技有限公司 | 一种基于cpg模型仿生水下机器鱼的目标跟踪识别方法 |
KR20210027778A (ko) * | 2019-09-03 | 2021-03-11 | 중앙대학교 산학협력단 | 객체 검출 및 추적을 통한 이상행동 분석 장치 및 방법 |
CN111080982A (zh) * | 2019-12-31 | 2020-04-28 | 三峡大学 | 一种基于多传感器的大坝安全智能监测与预警系统及方法 |
CN111862143A (zh) * | 2020-07-13 | 2020-10-30 | 郑州信大先进技术研究院 | 一种河堤坍塌自动监测方法 |
CN112233141A (zh) * | 2020-09-28 | 2021-01-15 | 国网浙江省电力有限公司杭州供电公司 | 电力场景下基于无人机视觉的运动目标追踪方法及系统 |
CN112187932A (zh) * | 2020-09-29 | 2021-01-05 | 长江勘测规划设计研究有限责任公司 | 基于边缘计算的中小型水库大坝智能监测预警方法 |
CN112733690A (zh) * | 2020-12-31 | 2021-04-30 | 北京易华录信息技术股份有限公司 | 一种高空抛物检测方法、装置及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019463A (zh) * | 2022-06-28 | 2022-09-06 | 慧之安信息技术股份有限公司 | 基于人工智能技术的水域监管系统 |
CN115019463B (zh) * | 2022-06-28 | 2023-01-10 | 慧之安信息技术股份有限公司 | 基于人工智能技术的水域监管系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113191294B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108122247B (zh) | 一种基于图像显著性和特征先验模型的视频目标检测方法 | |
CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
KR102095555B1 (ko) | 필드양식장 불법행위감시가 가능한 무인비행체 및 인공지능 딥러닝을 이용한 불법행위 분석과 인식에 따른 감시 방법 | |
CN106816038A (zh) | 一种内河水域异常行为船舶自动识别系统及方法 | |
CN103345840B (zh) | 一种交叉道路口横穿道路事件视频检测方法 | |
CN111626169B (zh) | 一种基于图像的铁路危险落石尺寸判断方法 | |
CN108509919A (zh) | 一种基于深度学习对视频或图片中水线的检测和识别方法 | |
CN112669350A (zh) | 一种自适应特征融合的智能变电站人体目标跟踪方法 | |
CN113139528B (zh) | 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法 | |
CN113191294B (zh) | 一种基于机器视觉的大型漂浮物体冲撞大坝预防检测方法 | |
CN103886325A (zh) | 一种分块的循环矩阵视频跟踪方法 | |
Billones et al. | Intelligent system architecture for a vision-based contactless apprehension of traffic violations | |
CN111582069B (zh) | 一种空基监视平台的轨道障碍物零样本分类方法及装置 | |
Sun et al. | Bi-unet: A dual stream network for real-time highway surface segmentation | |
Jiang et al. | Remote sensing object detection based on convolution and Swin transformer | |
CN114529821A (zh) | 一种基于机器视觉的海上风电安全监测与预警方法 | |
Fahn et al. | Abnormal maritime activity detection in satellite image sequences using trajectory features | |
Lin et al. | Semantic segmentation and scale recognition–based water-level monitoring algorithm | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
CN115937761A (zh) | 一种基于图像识别的地铁防淹门状态监测方法 | |
CN113610759A (zh) | 一种用于锚杆钻机施工的现场安全管控系统 | |
Wu et al. | Identification of bird’s nest hazard level of transmission line based on improved yolov5 and location constraints | |
Zhou et al. | A water monitoring system mounted on an unmanned boat | |
Zhang et al. | Improved Personnel Statistics Algorithm for Construction Main Working Face Based on YOLOv5 | |
Kim | Focus and Track: pixel-wise spatio-temporal hurricane tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |